用python写一个线性回归的代码并给出注释

以下是一个使用Python实现线性回归的代码示例：

import numpy as np

class LinearRegression:
    def __init__(self, learning_rate=0.01, num_iterations=1000):
        self.learning_rate = learning_rate
        self.num_iterations = num_iterations
        self.weights = None
        self.bias = None
        
    def fit(self, X, y):
        num_samples, num_features = X.shape
        
        # 初始化权重和偏置
        self.weights = np.zeros(num_features)
        self.bias = 0
        
        # 梯度下降迭代更新权重和偏置
        for _ in range(self.num_iterations):
            y_predicted = np.dot(X, self.weights) + self.bias
            
            # 计算梯度
            dw = (1/num_samples) * np.dot(X.T, (y_predicted - y))
            db = (1/num_samples) * np.sum(y_predicted - y)
            
            # 更新权重和偏置
            self.weights -= self.learning_rate * dw
            self.bias -= self.learning_rate * db
            
    def predict(self, X):
        y_predicted = np.dot(X, self.weights) + self.bias
        return y_predicted

使用示例：

# 创建线性回归模型
model = LinearRegression(learning_rate=0.01, num_iterations=1000)

# 生成训练数据
X_train = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
y_train = np.array([3, 4, 5, 6])

# 拟合模型
model.fit(X_train, y_train)

# 生成测试数据
X_test = np.array([[3, 4], [4, 5]])

# 预测结果
y_pred = model.predict(X_test)
print(y_pred)

注释解释：

• __init__函数用于初始化线性回归模型的学习率和迭代次数，以及权重和偏置的初始值。
• fit函数用于拟合模型，其中梯度下降算法用于更新权重和偏置。
• predict函数用于预测给定输入数据的输出值。
• 在使用示例中，首先创建了一个线性回归模型对象，然后使用训练数据对模型进行拟合，最后使用测试数据对模型进行预测，并输出预测结果。